Значительная часть проектов в области генеративного искусственного интеллекта (GenAI), по прогнозам Gartner, будет свернута уже в 2025 году после этапа проверки концепции. Ожидается, что не менее 30% инициатив столкнутся с непреодолимыми трудностями, такими как низкое качество данных, недостаточный контроль рисков, растущие затраты на разработку и внедрение или неочевидная ценность для бизнеса. Эти препятствия мешают GenAI предоставлять персонализированные и контекстно-зависимые аналитические данные корпоративным пользователям.
Ключ к повышению продуктивности GenAI и настройке его результатов под конкретные нужды лежит в улучшении качества данных и методов их извлечения. Качественные, хорошо структурированные данные позволяют системам ИИ генерировать точные и адаптированные ответы, отвечающие уникальным и специфическим потребностям организации. Понимание того, что инструменты ИИ должны удовлетворять конкретные запросы различных пользователей внутри компании, помогает создавать более ценные результаты. Например, потребности сотрудника отдела продаж, использующего ИИ, кардинально отличаются от запросов менеджера по персоналу, финансового директора, юриста по слияниям и поглощениям или руководителя по работе с партнерами. Хотя все они могут работать в одной организации и использовать один и тот же инструмент ИИ, каждому требуется информация и рекомендации, соответствующие его роли и целям.
Решением могут стать специализированные ИИ-агенты – системы, разработанные для выполнения конкретных задач или функций. Они адаптируют ответы к определенным ролям внутри организации или к конкретной области, такой как обслуживание клиентов, медицинская диагностика или финансовый анализ. При правильном развертывании агенты предоставляют более точную, релевантную и целевую информацию, чем обобщенные модели ИИ. Однако для полной эффективности агентам необходима основа из хорошо оптимизированных данных.
Когда ИИ-агент использует хорошо организованные, оптимальные данные, он действует почти как эксперт в определенной области, предоставляя узкоспециализированные советы, помогающие профессионалам работать эффективнее. Если же информация, на которой обучается агент, неверно размечена, нерелевантна, устарела или не подходит для конкретного случая, агент будет больше похож на обычный чат-бот, выдавая общие и неперсонализированные рекомендации. В качестве примера можно привести агентов Microsoft SharePoint, которые опираются на корпоративные данные. Они предлагают рекомендации в Word, PowerPoint и других приложениях на уровне эксперта, извлекая информацию непосредственно из среды SharePoint организации, что дает им возможность предоставлять действенные, персонализированные советы. Представьте себе возможность для продавца программного обеспечения напрямую консультироваться со старшим инженером-программистом прямо в документе SharePoint – именно такой уровень экспертной помощи могут обеспечить хорошо обученные агенты. Но агенты, обученные на плохо управляемых данных, будут гораздо менее эффективны.
По мере того как все больше компаний обращаются к ИИ-агентам для получения персонализированных рекомендаций, важно помнить принцип «мусор на входе – мусор на выходе»: сила GenAI определяется качеством данных, на которых он основан. Именно поэтому Forrester определяет качество данных как основной барьер для внедрения GenAI в B2B-секторе, указывая, что низкое качество данных приводит к неточным выводам и неэффективному использованию ИИ.
Для оптимизации данных и успешного внедрения персонализированного ИИ организациям рекомендуется предпринять три шага. Во-первых, необходимо централизовать данные, консолидировав их из устаревших источников в единое хранилище с использованием облачных платформ. Это обеспечивает эффективную обработку данных ИИ-агентами. Управление основными данными (Master Data Management) создает единую версию правды, устраняя несоответствия и повышая надежность данных, что ведет к более персонализированным рекомендациям. Централизованное хранение также упрощает управление данными и поддержание их качества.
Во-вторых, следует обеспечить безопасность данных. Внедрение ИИ порождает новые риски. Необходимо разработать стратегию управления данными для защиты всей информации от чрезмерного раскрытия. Эта стратегия должна включать проверку и повышение целостности данных путем применения политик контента и защиты доступа к критически важной информации. Важно также удалять рабочие пространства, к которым долгое время не было доступа, подтверждать все детали управления и проверять или отзывать разрешения на доступ к данным. Это позволяет эффективно управлять данными и обеспечивать их безопасность при подготовке к внедрению инструментов ИИ, значительно снижая риски.
В-третьих, важно внедрить управление жизненным циклом информации. Эта система предназначена для удаления избыточных, устаревших или тривиальных данных (ROT). Качественные данные гарантируют, что ИИ-агенты генерируют самые актуальные и ценные сведения, улучшая процесс принятия решений и результаты работы ИИ. Систематически управляя данными от создания до утилизации, организации могут гарантировать, что их системы ИИ всегда работают с наилучшими возможными данными, что приводит к более точным и действенным выводам.
Персонализированный ИИ становится не роскошью, а необходимостью для стимулирования инноваций и эффективности. Оптимизируя экосистемы данных, организации могут полностью раскрыть потенциал ИИ для предоставления индивидуальных решений, отвечающих уникальным бизнес-потребностям. По мере развития ИИ роль высококачественных данных будет только возрастать. Уделяя первоочередное внимание качеству данных и управлению ими, компании могут обеспечить явную, ощутимую отдачу от своих инвестиций в ИИ и занять выигрышную позицию в будущем, где персонализированный ИИ станет ключевым конкурентным преимуществом.